一种基于图像特征联合分布的泡沫浮选运行性能评估方法技术

本发明专利技术公开了一种基于图像特征联合分布的泡沫浮选运行性能评估方法，包括如下步骤步骤一、得到预处理的泡沫浮选图像特征数据；步骤二、筛选得到用于进行浮选运行性能评估的最终的评价特征；步骤三、得到训练好的聚类算法；步骤四、根据聚类得到的结果建立泡沫浮选运行状况下的高斯分布模型；步骤五、根据高斯分布模型确定待识别工况的所属类别。本发明专利技术利用KNN针对K

【技术实现步骤摘要】
一种基于图像特征联合分布的泡沫浮选运行性能评估方法


[0001]本专利技术属于泡沫浮选评估领域，尤其涉及一种基于图像特征联合分布的泡沫浮选运行性能评估方法。

技术介绍

[0002]泡沫浮选技术是利用不同矿物的物理化学性质之间的差异，在起泡剂等化学药剂和浮选装置鼓气搅拌等的作用下，最终使目标矿物富集在泡沫上，而其余杂质留存在矿浆中。泡沫浮选过程的的泡沫图像是最容易获取的而且可以综合反映浮选运行性能的信息，在大多数企业中，操作人员根据自身的操作经验，通过肉眼观察浮选泡沫的状态对浮选运行性能进行评估，并以此来决定是否需要对浮选过程进行适当矫正，但是这种方法过于主观，而且操作误差极大，不利于大规模推广。对于泡沫浮选运行性能的准确评估，是确保浮选过程可以处于最优运行状况的关键，也是企业提高矿物回收率，提高生产能力的关键，因此建立起准确的浮选运行性能评估方法非常重要。
[0003]浮选运行性能评估是一个涉及到多参数多特征的复杂问题。目前文献主要通过提取泡沫的表面特征，如颜色，尺寸，速度等，利用深度学习，支持向量机等有监督方法或聚类等无监督方法进行工况识别。但是，连续的浮选过程可以产生大量的训练数据，对这些数据进行有效准确的标注会耗费大量的人力物力，同时，庞大的数据量也会带来了较长的训练时间，这些因素都不利于有监督学习的进行；泡沫浮选过程中不同运行状态下的泡沫表面特征之间可能不会有很明显的界限，因此单纯使用聚类等无监督方法可能出现分类精度不高，不能很好地处理分类面附近数据点的分类问题。因此，本专利技术提出一种基于簇边界变形的K
‑
means聚类算法，一方面使用半监督学习来减少标注带来的人力物力支出，另一方面考虑数据点K近邻(KNN)内的其余数据点的分类情况来解决簇边缘地区的分类问题，本专利技术可以较好地弥补半监督和无监督方面的不足，具有较高的应用价值。
[0004]名词解释：
[0005]KNN(K
‑
Nearest Neighbor)法：即K最邻近法:如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别

技术实现思路

[0006]为解决上述问题，本专利技术公开一种考虑齿面磨损的齿轮疲劳寿命预测方法。本专利技术利用KNN针对K
‑
means聚类中不同分类簇交界区域的分类情况进行合理优化，在保证簇内相似性的前提下增强簇间相异性；利用聚类得到的分类结果建立高维高斯分布，并以高斯分布进行预测，可以使得簇的形状摆脱原本K
‑
means的圆，球或超球面，更接近实际的簇形状，从而提高分类和预测精度。
[0007]为实现上述目的，本专利技术的技术方案如下：
[0008]一种基于图像特征联合分布的泡沫浮选运行性能评估方法，包括以下步骤：
[0009]一种基于图像特征联合分布的泡沫浮选运行性能评估方法，包括以下步骤：
[0010]步骤一、获得泡沫浮选图像特征数据并进行预处理得到预处理的泡沫浮选图像特征数据；
[0011]步骤二、将泡沫浮选的性能状况分为N种，从预处理的泡沫浮选图像特征数据筛选得到用于进行浮选运行性能评估的最终的评价特征；
[0012]步骤三、可用泡沫浮选图像特征数据按照泡沫浮选的性能状况分成N个簇，并提取泡沫浮选图像特征数据中的最终的评价特征输入基于簇边界变形的K
‑
means聚类算法迭代聚类，当某次迭代聚类的的结果与上一次迭代聚类的结果的样本点占比少于预设阈值时停止迭代，得到训练好的K
‑
means聚类算法；
[0013]步骤四、根据聚类得到的结果建立泡沫浮选运行状况下的高斯分布模型；
[0014]步骤五、根据高斯分布模型确定待识别工况的所属类别。
[0015]进一步的改进，所述步骤一包括如下步骤：
[0016]S11：得到泡沫浮选图像特征数据，然后剔除泡沫浮选图像特征数据中的缺失值和明显不符合实际运行情况的错误值；
[0017]S12：对不同的泡沫浮选图像特征数据进行无量纲处理，去除量纲的影响。
[0018]进一步的改进，步骤S12中，无量纲处理方法如下：
[0019]当泡沫浮选图像特征数据要求属于越小越优时,如泡沫破裂率，泡沫尺寸的均值和泡沫尺寸的方差：
[0020][0021]当泡沫浮选图像特征数据要求属于越大越优时，如泡沫的承载率，某个颜色通道值(以铁的浮选为例，希望图像特征中红色通道的通道值尽可能大)：
[0022][0023]当泡沫浮选图像特征数据要求落入某个区间最优时，如泡沫移动的速度(一般应在15.33mm/s，到22.01mm/s的区间内)：
[0024][0025]其中，是第j个无量纲处理后的泡沫浮选图像特征数据，v
j
是第i个原始图像泡沫浮选图像特征数据，分别是第i个图像特征信息的最大值，最小值，最
优区间的上限，最优区间的下限；j＝1,2,3....n，n为泡沫浮选图像特征数据的种类。
[0026]其中未提及的图像特征信息在实际的现实意义上不存在上述的统计特性，但是为了统计上的方便，可以认为其具有越小越优或越大越优的特性，因此，本专利技术认为这类图像特征具有越大越优性，采用式(2)的归一化方法。
[0027]进一步的改进，所述步骤二包括如下步骤：
[0028]S21：计算不同泡沫浮选图像特征数据对工况变化的敏感性和不同泡沫浮选图像特征数据包含的数据量；所述泡沫浮选图像特征数据包括RGB通道值、HSV参数、相邻图像帧中泡沫移动的平均像素(即泡沫的移动速度)、图像中泡沫的尺寸均值和尺寸方差、承载率、破裂率、灰度均值、峰值和偏斜度；RGB通道值包括红色通道值，绿色通道值和蓝色通道值；HSV参数包括色调参数、饱和度参数和明度参数；
[0029]S23：综合不同特征对工况变化的敏感性和不同特征包含的数据量计算综合评分，取评分高于预设阈值的若干个特征作为代表特征；
[0030]S24：对代表特征进行主成分分析，得到最终的评价特征。
[0031]进一步的改进，所述S23步骤具体如下：
[0032]S231.把泡沫浮选的性能状况分为六种，分别为：最优浮选性能状态，矿化程度过高的状态，有价值矿物含量过低的状态，泡沫中包含泥浆等大量杂质的状态，泡沫塌缩严重的状态，以及设备故障或重大失误引起的异常状态，以k标识第k种状态；
[0033]S232.计算每一个平稳运行状态下的每一个泡沫浮选图像特征数据的均值u和方差σ，依次获得i个泡沫浮选图像特征数据对应的u
i
和σ
i
(i＝1,2,3...n)，n为泡沫浮选图像特征数据的种类数；
[0034]S233.计算泡沫浮选图像特征数据对性能变化的敏感度S：计算不同状态下第i种状态的方差σ
i
的均值以及方差因此定义敏感度函数为
[0035]S234.计算泡沫浮选图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，包括以下步骤：步骤一、获得泡沫浮选图像特征数据并进行预处理得到预处理的泡沫浮选图像特征数据；步骤二、将泡沫浮选的性能状况分为N种，从预处理的泡沫浮选图像特征数据筛选得到用于进行浮选运行性能评估的最终的评价特征；步骤三、可用泡沫浮选图像特征数据按照泡沫浮选的性能状况分成N个簇，并提取泡沫浮选图像特征数据中的最终的评价特征输入基于簇边界变形的K
‑
means聚类算法迭代聚类，当某次迭代聚类的的结果与上一次迭代聚类的结果的样本点占比少于预设阈值时停止迭代，得到训练好的K
‑
means聚类算法；步骤四、根据聚类得到的结果建立泡沫浮选运行状况下的高斯分布模型；步骤五、根据高斯分布模型确定待识别工况的所属类别。2.如权利要求1所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，所述步骤一包括如下步骤：S11：得到泡沫浮选图像特征数据，然后剔除泡沫浮选图像特征数据中的缺失值和明显不符合实际运行情况的错误值；S12：对不同的泡沫浮选图像特征数据进行无量纲处理，去除量纲的影响。3.如权利要求2所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，步骤S12中，无量纲处理方法如下：当泡沫浮选图像特征数据要求属于越小越优时：当泡沫浮选图像特征数据要求属于越大越优时：当泡沫浮选图像特征数据要求落入某个区间最优时：其中，是第j个无量纲处理后的泡沫浮选图像特征数据，v
j
是第i个原始图像泡沫浮选
图像特征数据，分别是第i个图像特征信息的最大值，最小值，最优区间的上限，最优区间的下限；j＝1,2,3....n，n为泡沫浮选图像特征数据的种类。4.如权利要求1所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，所述步骤二包括如下步骤：S21：计算不同泡沫浮选图像特征数据对工况变化的敏感性和不同泡沫浮选图像特征数据包含的数据量；所述泡沫浮选图像特征数据包括RGB通道值、HSV参数、相邻图像帧中泡沫移动的平均像素、图像中泡沫的尺寸均值和尺寸方差、承载率、破裂率、灰度均值、峰值和偏斜度；RGB通道值包括红色通道值，绿色通道值和蓝色通道值；HSV参数包括色调参数、饱和度参数和明度参数；S23：综合不同特征对工况变化的敏感性和不同特征包含的数据量计算综合评分，取评分高于预设阈值的若干个特征作为代表特征；S24：对代表特征进行主成分分析，得到最终的评价特征。5.如权利要求4所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，所述S23步骤具体如下：S231.把泡沫浮选的性能状况分为六种，分别为：最优浮选性能状态，矿化程度过高的状态，有价值矿物含量过低的状态，泡沫中包含泥浆等大量杂质的状态，泡沫塌缩严重的状态，以及设备故障或重大失误引起的异常状态，以k标识第k种状态；S232.计算每一个平稳运行状态下的每一个泡沫浮选图像特征数据的均值u和方差σ，依次获得i个泡沫浮选图像特征数据对应...

【专利技术属性】
技术研发人员：谢永芳，张彬，谢世文，唐朝晖，王飞达，
申请(专利权)人：中南大学，
类型：发明
国别省市：